fa نرمالیزاسیون رادیومتریک اتوماتیک تصاویر ماهواره ای چندزمانه مبتنی برتبدیل IR-MAD و شبکه های عصبی مصنوعی فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research نرمالیزاسیون رادیومتریک نسبی، اغلب در آنالیز‌های تصاویر ماهواره‌ای چندزمانه، خصوصاً در آشکارسازی تغییرات کاربری اراضی مورد استفاده قرار می‌گیرد. در این تحقیق ضمن بررسی تبدیل IR-MAD، تکنیک جدیدی مبتنی بر تبدیل IR-MAD و شبکه‌های عصبی مصنوعی توسعه داده شده است. تکنیک پیشنهادی بر روی تصاویر ماهواره‌ای چندزمانه لندست تی‌ام متعلق به سال‌های 1989و2010 شهر تبریز، پیاده‌سازی شده است. استفاده از ترکیب خطی تصاویر ماهواره‌ای چندزمانه، انتقال این تصاویر به فضای دیگر و تکراری بودن فرآیند تبدیل IR-MAD باعث شده که این تبدیل به عنوان روشی مستقل از نویز آماری و شرایط اتمسفری در جهت شناسایی تغییرات و انتخاب نقاط کنترل رادیومتریکی در این تحقیق بکار رود. همچنین قابلیت و انعطاف بالای شبکه عصبی مصنوعی در تقریب توابع غیرخطی و خطی پیوسته در فضای ترکیبی باعث شد که از این شبکه‌ها در مدلسازی رابطه بین نقاط کنترل رادیومتریکی در تصاویر ماهواره‌ای چندزمانه استفاده گردد. معیار‌های ارزیابی بکار رفته در این تحقیق، شامل میانگین خطای کمترین مربعات و آزمون‌های آماری t و F می‌باشد. نتایج نشان می‌دهد که استفاده از روش پیشنهادی موجب افزایش دقت و عملکرد نرمالیزاسیون رادیومتریک نسبی شده است. روش توسعه داده شده در این تحقیق از نظر میانگین خطای کمترین مربعات در تمامی باند‌های طیفی نسبت به روش IR-MAD و داده‌های خام بترتیب 11/0 و 13/8 درصد افزایش دقت داشته است. Relative radiometric normalization often used in multi-temporal satellite image analysis, especially land use change detection. In this paper, IR-MAD transformation has been reviewed and a new method has been developed based on this transformation and artificial neural networks, also. The proposed method is implemented on multi-temporal Landsat TM satellite images captured in 1989 and 2010. Study area is located in Tabriz. According to Linear combination of multi-temporal satellite images, transfer the images to another space and iterative process of IR-MAD transformation, the transformation has led to independent method of statistical noise and atmospheric conditions and Used in this study for change detection and selection radiometric controls point. The capability and flexibility of ANN in approximation of nonlinear and linear continuous functions in the hybrid space has led to the networks used for modeling of relationship between radiometric controls point in multi-temporal satellite images. Evaluation metrics in this paper, include root mean square error, T-test and F-test. The results show that the proposed method increases the accuracy and performance relative radiometric normalization. The proposed method has increased. Root mean square error in all spectral bands than IR-MAD and raw data respectively 0.11 and 8.13%. تصاویر ماهواره ای چندزمانه, نرمالیزاسیون رادیومتریک نسبی, تبدیل IR-MAD, شبکه های عصبی مصنوعی Multi-temporal satellite image, Relative radiometric normalization, IR-MAD transformation, Artificial neural networks 209 222 http://jgst.issgeac.ir/browse.php?a_code=A-10-187-1&slc_lang=fa&sid=1 A. Moghimi آرمین مقیمی Armin.moghimi@yahoo.com 10031947532846001579 10031947532846001579 Yes گروه فتوگرامتری و سنجش از دور- دانشکده نقشه برداری- دانشگاه صنعتی خواجه نصیر الدین طوسی H. badi حمید عبادی ebadi@kntu.ac.ir 10031947532846001580 10031947532846001580 No گروه فتوگرامتری و سنجش از دور- دانشکده نقشه برداری- دانشگاه صنعتی خواجه نصیر الدین طوسی V. Sadeghi وحید صادقی vahid.sadeghi.1985@gmail.com 10031947532846001581 10031947532846001581 No گروه فتوگرامتری و سنجش از دور- دانشکده نقشه برداری- دانشگاه صنعتی خواجه نصیر الدین طوسی